31、超越词袋模型的概念检测与大规模图像检索

超越词袋模型的概念检测与大规模图像检索

在当今的计算机视觉领域，图像检索和概念检测是非常重要的任务。传统的词袋模型（BoW）在处理这些任务时存在一定的局限性，因此研究人员一直在探索更有效的方法。本文将介绍两种相关的研究，一种是超越词袋模型的概念检测方法，另一种是使用局部聚合描述符向量（VLAD）进行大规模图像检索的方法。

超越词袋模型的概念检测

1. 数据集描述

研究人员在两个不同的数据集上进行了实验：
- 圣经数据集 ：该数据集来自1450年至1471年意大利费拉拉公爵博尔索·德斯特的《圣经》数字化页面。这是世界上最好的文艺复兴时期的插图手稿之一，原始手稿保存在意大利摩德纳的埃斯特ense大学图书馆。数据集包含640页，经过数字化处理后，通过自动程序进行分割，并手动精炼，最终得到2281张图片。其中41%（903张）的图片被唯一标注为13个类别，其余图片作为干扰项。
- GoogleCH数据集 ：通过在Google Images上搜索20个与文化遗产相关的语义概念（如祭坛、考古遗址等）自动爬取得到。每个概念约下载500张图片，排除错误链接后，将图片调整为固定宽度640像素。最终数据集包含9594张图片，每张图片用查询的单个概念进行标注。另外还下载了1000张图片并手动标注所有存在的概念。

2. 基于内容的视觉相似性检索

为了进行有价值的比较，研究人员在圣经数据集上测试了多种基于BoW的视觉描述符以及多元高斯模型。具体使用的描述符包括：
- RGB颜色直方图（localCH）
- 变换颜色直方图（localTCH） <